基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

基于HMM的主题爬虫研究

主题爬虫是垂直搜索引擎的核心组成部分,它为面向主题的用户查询准备数据资源;提出了一种基于HMM的主题爬虫方法,方法不仅分析网页内容,而且还考虑网页的上下文链接结构,首先将当前网页的聚类结果作为观察状态、将当前网页到目标网页的链接距离作为隐含状态,然后通过HMM模型学习用户的主题浏览模式并利用它采集更多的主题网页;实验结果表明:方法能采集大量与指定主题相关的高质量网页,主题爬行效率优于Best-First主题爬虫。     

一种基于信息熵数据修剪的支持向量机:EB-SVM

支持向量机在处理分类问题时,如果两类数据重叠严重会造成分类器过学习,降低泛化性能。为此提出了一种基于信息熵的数据修剪支持向量机EB-SVM(entropy based-support vector machine),其主要思想是通过计算样例信息熵删除部分边缘数据和边界处混淆程度较高的样例以及噪声数据,用较少的训练样例学习SVM分类器。实验结果表明,该方法能够有效提高SVM的泛化性能。     

基于Web的数据挖掘技术研究

当前网络发展迅速,各种网站比比皆是。但在竞争日益激烈的网络经济中,作为一个网站的管理员或拥有者,只有知道网站哪些部分最为用户喜爱,哪些让用户感到厌烦,才能最终赢得竞争的优势,而基于Web数据挖掘技术正能满足这些需求。本文介绍了基于Web的数据挖掘的定义、分类以及XML在Web数据挖掘中的应用。     

用定积分的定义求一类和式极限

和式极限是一类重要的极限,但其计算却比较空难。常见的方法有：先算出其和式,再行求解,或者利用极限的迫敛性求解。但有一类和式极限,上述两种方法都无法求其解。这时,根据逆向思维的思想,利用定积分的定义求解其极限。当相应的定种分比较容易计算时,该方法能简捷有效地处理这一类极限。并且丰富和完善了和式极限的计算方法。     

基于支持向量机预测的时序多属性决策法

针对时序多属性决策问题中的预测量大且时间样本有限的特点,以各决策单元的属性时间序列为样本数据,进行多变量时间序列相空间重构,建立用支持向量机预测未来属性值方法,进而提出综合考察决策单元的过去、现在与未来的情况下进行更科学、合理的时序多属性决策方法.     

基于HSI空间和纹理的频谱度量的印鉴识别

印鉴在东方国家和地区的应用非常广泛,尤其在我国的应用更为广泛,从而导致伪造印鉴的犯罪活动屡禁不止。为了实现大量印鉴的自动识别,已经提出了许多方法,这些方法主要根据边缘和模板匹配的方法实现的,其匹配过程需要调整印鉴的旋转角度。以印章图像为研究对象,采用HSI色彩空间来描述,它比RGB色彩空间更符合视觉特性,并且可以大大简化图像分析和处理的工作量。运用HSI色彩空间对印章图像颜色特征提取等一系列预处理,研究了多种识别方法后发现基于纹理特征的印鉴识别方法不但速度快,而且识别率也较高,并且方法简便。通过将极坐标和傅里叶变换结合,计算出印鉴图像纹理的频谱度量,来完成印鉴的特征提取,运用支持向量机分类器对印鉴进行识别,实验证明,方法具有良好的旋转不变纹理分析性能,提高了识别率。     

基于文本数据挖掘的硕士论文分类技术

针对硕士论文的摘要和关键词等数据进行数据挖掘,实现硕士论文自动分类。为此收集了2 000余个相关数据,在对所研究的数据对象特点进行分析的基础上,确定了分类算法,详细分析了支持向量机分类方法;对收集的研究数据进行了仿真实验,并与其他常用分类器进行比较。实验表明,基于支持向量机的分类方法比其他常用分类器具有较高的准确率。对实验结果中得到的知识进行了分析,得出一系列可供科学研究者和管理者参考的结论。     

分位数定义和性质的注记

本文讨论了数理统计中分位数的定义,研究了分位数一些性质,这些性质对数理统计中各类分布的分位数表构造具有重要作用,最后介绍了性质的简单应用.     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题,结合棉针织物的染色机理,基于最小二乘支持向量机(LS-SVM)建立上染率模型并进行预测.将提出的方法与BP神经网络法进行比较,试验结果表明前者具有更高的预测精度,验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.